旧金山的一场创业活动上，一个男人胸前别着一枚两指宽的金属小胶囊。朋友好奇问这是什么东西，男人说这是麦克风，自己用它全天录音，晚上把音频丢进AI做总结分析。聊到兴头上，他说了一句让人脊背发凉的话：「我觉得Claude比我聪明，它批判性思维比我强，所以我现在把所有思考都交给它。」
这不是科幻小说。这是2026年7月14日，AI研究员Yennie Jun在文章《Are we offloading too much of our thinking to AI?》里记录的真实见闻。文章发表当天冲上Hacker News榜首——353人投票、356条评论，成为当日最热话题。一条最高赞评论这样写道：「如果你用计算器做加法，你还是你。但如果你用AI做大部分思考——你剩下什么？」
这个问题悬在很多人头顶，只是大多数人还没开始问自己。
计算器没让你变笨，AI凭什么会？
反对者最常用的类比是计算器。「当年计算器出来，大家也说学生会变笨，结果呢？数学教育反而从死记硬背转向了概念理解。」这个逻辑听起来很有道理——既然计算器没有毁灭人类的数学能力，AI自然也不会毁灭人类的思考能力。
但这里有一个被掩盖的关键区别。
计算器替你做的是算术——一套规则明确、边界清晰的操作。2加2等于4，sin(30°)等于0.5，没有模糊地带。更重要的是，计算器不替你做任何关于「算什么」「为什么算」「算出来的结果意味着什么」的判断。这些判断、推理、权衡——思考的核心环节——仍然留在你的脑子里。
AI替你做的是完全不同的东西。它替你评估信息来源、替你判断哪些论点更有力、替你组织论证结构、替你决定结论的方向。这些不是辅助性操作——它们就是思考本身。
西澳大学的研究者在2025年的一篇文章中系统拆解了「计算器类比」的五个漏洞。其中最核心的一条是：计算器只在数学这个窄域里工作，而语言模型没有固定边界——「理论上，你可以把任何类型的认知任务委托给它」。另一条同样关键：计算器不会产生幻觉，不会用自信的语气编造不存在的事实，也不会在输出中嵌入训练数据里的文化偏见。
笔者查阅了一份2025年发表在MDPI期刊《Societies》上的实证研究。研究团队对666名参与者进行了问卷调查和深度访谈，发现AI工具的使用频率与自我报告的批判性思维能力之间存在统计学显著的负相关。具体来说，越频繁使用AI工具的人，在「评估信息可信度」「识别论证缺陷」「独立形成判断」三个维度上的自我评分越低。研究作者将这种现象定义为认知卸载的中介效应——AI替你做完了思考的中间步骤，你失去了练习这些步骤的机会。
这就像一个从不跑步的人突然被要求跑五公里——他的肌肉因为没有使用而萎缩了，跑步能力随之消失。思维的肌肉遵循同样的用进废退原则。可怕的地方在于，体能的退化你能感觉到（喘不上气、腿酸），思维的退化却往往在出问题之前毫无知觉——直到你需要独立做出一个没有AI在场的判断时，才发现自己已经不知道怎么想了。
教师窗口：当学生都在拿A，却什么都没学会
Yennie Jun在文章里讲了一个细节。她的母亲在一所在线大学教授物理，最近发现了一个令人不安的模式：大部分学生的作业答案几乎一模一样——仿佛所有人把同一道题目粘贴进了同一个AI工具，然后原封不动地复制回来。答案相当全面，从评分标准来看挑不出毛病，所以大多数学生拿到了A。但她心里清楚，这些学生什么都没学会。
AI可以产出一个完美的答案，但这个过程中它不会教你怎么推导出这个答案。哪个公式？为什么选这个公式？有没有其他路径？边界条件是什么？如果改一个变量会怎样？——这些问题是物理教育的核心，而AI的输出把它们全部跳过了。
「AI越强，学习越弱」这个现象并非孤例。哈佛大学2025年的一项研究发现，在允许使用AI辅助的课程中，学生的期末考试成绩平均下降了约半个字母等级，且下降幅度与学生对AI的依赖程度呈正比。值得注意的是，那些「自认为从AI中学到很多」的学生，实际考试成绩反而更差——AI给出的流畅解释制造了一种虚假的「我懂了」的感觉，但这种感觉经不起真正需要独立推理的考验。
一个实验：先想，再问
Yennie Jun在文章里分享了一个亲身经历。她在葡萄牙旅行时，和妹妹参观了「发现者纪念碑」——一座纪念葡萄牙大航海时代的地标。两人感到困惑：为什么葡萄牙对自己的殖民历史如此自豪？在美国，哥伦布早已被「取消」，但葡萄牙人似乎对亨利王子推崇备至。
妹妹掏出手机：「问问ChatGPT。」
Yennie建议先别问，自己想一想。两人开始猜测：是不是因为葡萄牙比美国更单一、更宗教化？是不是「大航海」是葡萄牙民族叙事中最闪亮的一章，所以选择性地美化了这段历史？她们猜测、推理、互相反驳、回忆高中学过的历史细节。她们知道很多猜测可能是错的——这正是练习的一部分。
最后她们问了AI。AI的回答验证了大部分猜测，补充了几个她们没想到的角度，也漏掉了一些她们认为仍然合理的可能性。
这个实验的价值不在最终答案。价值在于那个「先猜一猜」的过程。 如果直接问AI，答案会在一秒内出现在屏幕上，你会读到它、点点头、然后忘掉。但当你先自己想过——哪怕想得漏洞百出——AI的答案就不再是一个结论，而是一个你可以与之对话的对象：这里我想到过，这里我没考虑到，这个解释我不太信服。
Hacker News上一条被反复引用的评论提出了一个有用的框架。评论者jvanderbot将AI的使用分为两种模式：「耳语耳环」和「外骨骼」。耳语耳环模式是你向AI寻求方向——「我现在该怎么办？」「你觉得问题出在哪？」——你放弃了思考的主动权，AI替你做判断。外骨骼模式是你已经有了清晰的想法，让AI帮你加速执行——「用这个结构实现那个算法」「用这种风格翻译那段文字」——你保留了判断，AI只是延伸了你的手。
耳语耳环让人萎缩。外骨骼让人变强。差别在于：你在把AI塞进自己脑子之前，是不是先动过自己的脑子。
硬币的另一面：AI确实帮了大忙
平心而论，AI对生产力的提升是真实的。Yennie Jun在文章里列举了几个例子：她的表姐用Gemini把长篇英文报告翻译成韩语，工作效率大幅提高；她的朋友用ChatGPT做个性化导师，几个月内从零学完了生物化学；她自己用AI分析个人数据，挖掘出很多她手动分析难以发现的模式。
这些例子都有一个共同点：AI加速的是「已经掌握的技能」的执行效率，而不是替人学习「尚未掌握的技能」。 表姐本身就懂韩语和英文，AI只是帮她跳过了逐字翻译的体力活。Yennie自己很清楚要分析什么数据、问什么问题，AI只是执行层面的加速器。
问题出在你把AI放到自己不熟悉的领域时。
比如，用AI审阅一份你不太懂的法律合同。AI可以流畅地告诉你「这个条款可能有风险」，但你没有自己读过条款原文、没有在法律框架里推导过风险路径、没有对比过不同措辞的差异。你得到的是一个关于风险的感觉，而不是对风险的理解。下次在另一个场景遇到类似的条款结构，你可能根本认不出来——因为你上次并没有真正「学会」风险长什么样，你只是接收了一个结论。
这也解释了为什么那些AI重度用户在被问到「你学到了什么」时常常说不清楚——他们确实「完成」了很多事，但知识并没有在他们的大脑里沉淀下来。生产力不等于学习力。这两件事在AI时代正在加速分离。
「我跑步不行，思考是我唯一剩下的东西」
Hacker News上有一条评论获得了大量共鸣。评论者zerobees写道：「我不擅长举重或者跑步。所以思考是我唯一剩下的东西。」这句话的背后是一个更深的焦虑：如果连思考——这个整个人类文明都建立在它之上的能力——都可以被轻松外包，那人类作为一个物种的独特性还剩什么？
笔者的判断是，答案可能在「在什么层面用」。现阶段的研究正在勾勒一条模糊但有方向感的边界线：把AI用在「你已经会的」事情上，作为效率放大器；把AI用在「你还不会的」事情上时，保持「先想再问」的纪律。
这不是一个非黑即白的问题。你不可能也不需要拒绝所有AI辅助。但你可以选择在让它替你回答之前，先给自己三十秒——想一想：如果只有我自己，我会怎么回答？
那个旧金山的麦克风男，如果有一天设备没电了，或者AI服务宕机了，他还知道该对面前的人说什么吗？
本文的素材来自Yennie Jun发表在Art Fish Intelligence上的原文、Hacker News上的相关讨论，以及多项已发表的认知科学实证研究。笔者没有直接参与上述研究项目，部分判断基于公开信息的解读，可能存在偏差。如果你对这个话题有一手经验或不同视角，欢迎讨论。
参考链接
- Yennie Jun, “Are we offloading too much of our thinking to AI?”, Art Fish Intelligence (Substack), 2026-07-14
- Hacker News 讨论帖
- Gerlich, M., “AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking”, Societies (MDPI), 2025
- “Generative AI is not a ‘calculator for words’. 5 reasons why this idea is misleading”, The Conversation, 2025-08-18
- Javier Santana, “AI and the calculator analogy”, Kognitivo (Substack), 2025-08-07
- METR, “Task-Completion Time Horizons of Frontier AI Models”, 2025
- 佛罗里达州立大学, “AI高频词对人类口语词汇的渗透研究”, 2025